LIGHTWEIGHT FEATURE FUSED ATTENTION DRIVEN MULTI LEVEL HYBRID MOBILENET V2 FRAMEWORK FOR EARLY TOMATO LEAF DISEASE DETECTION

早期准确发现并治疗番茄作物病害，对于提高作物效率、确保作物不短缺至关重要。然而，由于光照差异、复杂背景以及感染区域之间的图形相似性，计算机化分析具有挑战性。研究提出了一种轻量级注意力驱动多层混合MobileNet-V2算法，该算法将手工纹理结构与深度学习（DL）特征相融合，然后结合高斯、双边和引导滤波器进行图像预处理，以在保留病害病变的同时最小化噪声。采用LAB颜色模型和对比度受限自适应直方图均衡化（CLAHE）来提高对比度。引入Otsu阈值分割以有效分离叶片片段与病害部分。使用局部二值模式（LBP）和灰度共生矩阵（GLCM）描述符获取细粒度特征，同时通过预训练的MobileNet-V2模型获取高层特征。特征融合后输入深度学习模型的全连接层进行训练和验证。结果表明，与现有模型相比，所提出的模型取得了更好的分类性能，使其成为智慧农业应用中实时番茄叶片病害检测的有效解决方案。